Existem algoritmos de busca local estocástica em que a função passo está implementada em dois estágios. No primeiro estágio, uma solução vizinha s’ da solução candidata corrente s é selecionada uniformemente e depois é aceita, ou não, de acordo com a função de probabilidade: p(T,s,s’) = 1, se f(s’) f(s); ou p(T,s,s’) = exp( (f(s)-f(s’))/T ), caso contrário, onde T é um parâmetro denominado temperatura e f é a função avaliação. Quanto ao emprego desse critério, conhecido como condição de Metropolis, tem-se que A) quando T diminui, a aceitação fica mais rigorosa, ou seja, uma solução s’ com função avaliação pior que s tem pouca chance de ser aceita como nova solução candidata. B) à medida que T aumenta, menos chance tem uma solução pior que a solução candidata corrente em ser aceita como nova solução candidata. C) existe a possibilidade de uma solução selecionada s’ que melhora a função avaliação ser rejeitada. D) o algoritmo Simulated Annealing usa o critério de Metropolis que é parametrizado por um valor fixo de T E) são exemplos de algoritmos de busca local estocástica que utilizam esse critério Simulated Annealing, Melhoria Iterativa Probabilística e Busca Tabu.

A) quando T diminui, a aceitação fica mais rigorosa, ou seja, uma solução s’ com função avaliação pior que s tem pouca chance de ser aceita como nova solução candidata.

Questões Informática Algoritmos

Existem algoritmos de busca local estocástica em que a função passo está implementada e...

Responda: Existem algoritmos de busca local estocástica em que a função passo está implementada em dois estágios. No primeiro estágio, uma solução vizinha s’ da solução candidata corrente s é selecionada uni...

1Q645928 | Informática, Algoritmos, Analista de Pesquisa Operacional Júnior, Petrobras, CESGRANRIO

Existem algoritmos de busca local estocástica em que a função passo está implementada em dois estágios. No primeiro estágio, uma solução vizinha s’ da solução candidata corrente s é selecionada uniformemente e depois é aceita, ou não, de acordo com a função de probabilidade: p(T,s,s’) = 1, se f(s’) f(s); ou p(T,s,s’) = exp( (f(s)-f(s’))/T ), caso contrário, onde T é um parâmetro denominado temperatura e f é a função avaliação. Quanto ao emprego desse critério, conhecido como condição de Metropolis, tem-se que

✂️ a) quando T diminui, a aceitação fica mais rigorosa, ou seja, uma solução s’ com função avaliação pior que s tem pouca chance de ser aceita como nova solução candidata.
✂️ b) à medida que T aumenta, menos chance tem uma solução pior que a solução candidata corrente em ser aceita como nova solução candidata.
✂️ c) existe a possibilidade de uma solução selecionada s’ que melhora a função avaliação ser rejeitada.
✂️ d) o algoritmo Simulated Annealing usa o critério de Metropolis que é parametrizado por um valor fixo de T
✂️ e) são exemplos de algoritmos de busca local estocástica que utilizam esse critério Simulated Annealing, Melhoria Iterativa Probabilística e Busca Tabu.